前言

关于缓存异常，我们常见的有三个问题：缓存雪崩、缓存击穿、缓存穿透。这三个问题一旦发生，会导致大量请求直接落到数据库层面。如果请求的并发量很大，会影响数据库的运行，严重的会导致数据库宕机。

为了避免缓存异常带来的损失，我们需要了解每种异常的原因以及解决方案，提高系统的可靠性。

缓存雪崩

缓存雪崩是指大量的应用请求无法在Redis缓存中进行处理，从而使得大量请求发送到数据库层，导致数据库压力过大甚至宕机。

缓存雪崩的原因

第一个原因：同一时间缓存中的数据大面积过期。

具体来说，把热点数据保存在缓存中，并且设置了过期时间，如果在某一个时刻，大量的Key同时过期，此时，应用再访问这些数据的话，就会发生缓存缺失。然后应用就会把请求发送给数据库，如果应用的并发请求量很大，（比如秒杀），那么数据库的压力也会很大，这会进一步影响到其他正常业务的请求处理。

如下图所示：

第二个原因：Redis 缓存实例发生故障宕机。

解决方案

1、解决热点数据集中失效

针对大量数据集中失效带来的缓存雪崩问题，可以用下面几种方案解决：

• 均匀过期：给热点数据设置不同的过期时间，给每个key的失效时间加一个随机值；

• 设置热点数据永不过期：不设置失效时间，有更新的话，需要更新缓存；

• 服务降级：指服务针对不同的数据采用不同的处理方式：

  a.业务访问的是非核心数据，直接返回预定义信息、空值或者报错；       b.业务访问核心数据，则允许访问缓存，如果缓存缺失，可以读取数据库。

2、解决Redis实例宕机问题

方案一：实现服务熔断或者请求限流机制
我们通过监测Redis以及数据库实例所在服务器负载指标，如果发现Redis服务宕机，导致数据库的负载压力增大，我们可以启动服务熔断机制，暂停对缓存服务的访问。

但是这种方法对业务应用的影响比较大，我们也可以通过限流的方式降低这种影响。

举个例子：比如业务系统正常运行时，请求入口每秒最大允许进入的请求数是1万个，其中9000请求个可以被缓存处理，余下1000个会发送给数据库处理。

一旦发生雪崩，数据库每秒处理的请求突然增加到1万个，此时我们就可以启动限流机制。在前端请求入口处，只允许每秒进入1000个请求，其他的直接拒绝掉。这样就可以避免大量并发请求发送给数据库。

方案二：事前预防
通过主从节点的方式构建 Redis 缓存高可靠集群。如果 Redis 缓存的主节点故障宕机了，从节点还可以切换成为主节点，继续提供缓存服务，避免了由于缓存实例宕机而导致的缓存雪崩问题。

缓存击穿

缓存击穿和缓存雪崩有点像，但是也有一点区别。

缓存雪崩是因为大面积的缓存失效，打崩了数据库。而缓存击穿是指某个访问非常频繁的热点数据，大量并发请求集中在这一个点访问，在这个Key失效的瞬间，持续的大并发就穿破缓存，直接请求数据库，就像在一个屏障上凿了一个洞。

解决方案

1. 设置热点数据永不过期：不设置失效时间，有更新的话，需要更新缓存；

2. 加互斥锁：单机可以使用synchronized、lock，分布式可以使用lua脚本。

缓存穿透

缓存穿透指用户要访问的数据既不在缓存中也不在数据库中，导致用户每次请求该数据时都要去数据库查一遍，然后返回空。

如果有恶意攻击者不断请求这种系统不存在的数据，会导致数据库压力过大，严重会击垮数据库。

解决方案

• 接口层增加校验：用户鉴权、参数校验（请求参数是否合法、请求字段是否不存在等等）；

• 缓存空值/缺省值：发生缓存穿透时，我们可以在Redis中缓存一个空值或者缺省值（例如，库存缺省值为0），这样就避免了把大量请求发送给数据库处理，保持了数据库的正常运行。这种方法会存在两个问题：
   a. 如果有大量的Key穿透，缓存空对象会占用宝贵的内存空间。针对这种情况可以给空对象设置过期时间。

    b. 设置过期时间之后，可能会有缓存与数据库不一致的情况。

• 布隆过滤器：快速判断数据是否存在，避免从数据库中查询数据是否存在，减轻数据库压力。

前面两种方案比较好理解，下面我们重点介绍下布隆过滤器。

布隆过滤器

布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。

• 优点：空间效率和查询时间都远远超过一般的算法。

• 缺点：有一定的误识别率，删除困难。

布隆过滤器原理

布隆过滤器本质上是一个初始值都为 0 的二进制数组和 N 个哈希函数组成。

当我们想标记某个数据存在时（例如，数据x已被写入数据库），布隆过滤器会通过三个操作完成标记：

• 首先，使用 N 个哈希函数，分别计算这个数据的哈希值，得到 N 个哈希值。

• 然后，我们把这 N 个哈希值对 bit 数组的长度取模，得到每个哈希值在数组中的对应位置。

• 最后，我们把对应位置的 bit 位设置为 1，这就完成了在布隆过滤器中标记数据的操作。

如下图所示：

三次哈希，对应的二进制数组下标分别是 1、3、7，将原始数据从 0 变为 1。

同样的，我们标记数据y的逻辑也是一样的。如下图：

三次哈希，对应的二进制数组下标分别是 1、5、9，将原始数据从 0 变为 1。

下标 1，之前已经被操作设置成 1，则本次认为是哈希冲突，不需要改动。

Hash 规则：如果在 Hash 后，原始位它是 0 的话，将其从 0 变为 1；如果本身这一位就是 1 的话，则保持不变。

正是因为存在哈希冲突，导致布隆过滤器的判断存在误差。

因为哈希冲突的存在，导致布隆过滤器不能轻易删除数据，存在误删的风险。

布隆过滤器减少误差的方法：

• 增加二进制位数组的长度，这样hash后的数据会更加离散化，出现冲突的概率会大大降低；

• 增加Hash的次数，变相的增加数据特征，特征越多，冲突的概率越小。

布隆过滤器如何使用

比如，当查询一件商品的缓存信息时，我们首先要判断这件商品是否存在。

• 通过三个哈希函数对商品id计算哈希值；

• 然后，在布隆数组中查找访问对应的位值，0或1；

• 判断，三个值中，只要有一个不是1，那么我们认为数据是不存在的。

如下图：

注意：布隆过滤器只能精确判断数据不存在情况，对于存在我们只能说是可能，因为存在Hash冲突情况，当然这个概率非常低。

在Java中使用布隆过滤器

在Java应用中使用布隆过滤器，我们可以通过Redisson实现，它内置了布隆过滤器。

首先引入依赖:

<dependency>
  <groupId>org.redisson</groupId>
  <artifactId>redisson</artifactId>
  <version>3.15.0</version>
</dependency>

代码示例：

import org.redisson.Redisson;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;

public class RedissonBloomFilter {
    public static void main(String[] args) {
        Config config = new Config();
        config.useSingleServer().setAddress("redis://127.0.0.1:6379");
        RedissonClient client = Redisson.create(config);
        RBloomFilter<String> bloomFilter = client.getBloomFilter("test-bloom-filter");
        // 初始化布隆过滤器，数组长度100W，误判率 1%
        bloomFilter.tryInit(1000000L, 0.01);
        // 添加数据
        bloomFilter.add("Shawn");
        // 判断是否存在
        System.out.println(bloomFilter.contains("xujunson"));
        System.out.println(bloomFilter.contains("Shawn"));
    }
}

运行结果：

false   // 肯定不存在
true    // 可能存在，有1%的误判率

好了，以上就是关于缓存异常的整理。跟缓存雪崩、缓存击穿这两类问题相比，缓存穿透的影响更大一些，需要重点关注一下。